本發明公開了一種中醫方劑自動篩選系統，通過藥物標準化詞集和輸入的臨床癥狀生成方劑信息總集，在方劑信息總集的基礎上構建機器學習模型的學習集合對照集，并將機器學習模型應用于方劑信息總集，生成篩選方劑集合；接著在生成的篩選方劑集合中檢索，獲得拓展臨床表現集合，計算出拓展臨床表現相對于輸入臨床表現的權重；然后以獲得的權重，補充篩選方劑集合中的標注方劑，計算出各篩選方劑的臨床表現的權重向量：最后輸入需要進行篩選的核心臨床表現，并計算其權重向量；根據不同向量距離計算公式，計算出各方劑權重向量與核心臨床表現的權重向量的向量距離；距離最近的方劑，為該核心臨床表現對應的最優方劑選擇。

技術領域

本發明涉及機器學習領域，具體地說，特別涉及一種將機器學習和“方證對應”的中醫理論指導結合的基于方劑藥物組成建模、預測和評估的方劑自動篩選系統。

背景技術

機器學習是利用計算機建模的不同算法，總結已知事物規律，預測、推斷未知知識規律，并用于科學決策的方法。機器學習通過模型反應數據內部復雜規則，能夠在一定程度上反應中醫的整體、辨證思維模式。

近年來機器學習已經被應用于中醫藥研究的多個領域，可以基于藥物組成對不同類方、基于癥狀對不同方藥、基于藥物對不同功用進行分類區別研究，或者是利用計算機建模方法從中醫方劑中挖掘出信息并進行提煉和總結。

發明內容

本發明的目的在于針對現有技術中的不足，提供一種中醫方劑自動篩選系統及其方法，以解決現有技術中存在的問題。

本發明所解決的技術問題可以采用以下技術方案來實現：

一種中醫方劑自動篩選方法，包括如下步驟：

1)根據具體的臨床表現和藥物標準化詞集生成方劑信息總集，并在方劑信息總集的基礎上建立機器學習模型的學習集和對照集；

2)以選定的參數建立模型，人工智能動態調參選擇模型，分別構建機器學習模型；并按比例組合不同算法模型模塊，以人工智能調節不同算法模型的權重比例，構成篩選模型；

3)將機器學習模型應用于方劑信息總集，生成篩選方劑集合；

4)通過在篩選方劑集合中檢索獲得拓展臨床表現集合，并計算出單個拓展臨床表現對應的篩選方劑數量、所有方劑數量和拓展臨床表現相對于輸入臨床表現的權重；

5)重復上述步驟，建立多個方劑篩選模型，并通過方劑篩選模型方劑集合進行標注，獲得標注方劑；

6)以輸入臨床表現的權重，補充篩選方劑集合中的標注方劑，計算出各篩選方劑的臨床表現的權重向量：

7)對需要進行篩選的核心臨床表現使用臨床表現的權重，計算出核心臨床表現的權重向量；

8)計算出各的臨床表現的權重向量與核心臨床表現的權重向量的向量距離；

9)向量距離最近的篩選方劑，為該核心臨床表現對應的最優方劑選擇。

一種中醫方劑自動篩選系統，包括

臨床表現輸入模塊A，用于輸入具體的臨床表現；

方劑數據處理模塊B，根據臨床表現和藥物標準化詞集生成方劑信息總集，并在方劑信息總集的基礎上建立機器學習模型的學習集和對照集，機器學習模型的參數和權重通過方劑數據處理模塊B動態調整；

篩選模型建立模塊C，以選定的參數建立模型，人工智能動態調參選擇模型，分別構建機器學習模型；并按比例組合不同算法模型模塊，以人工智能調節不同算法模型的權重比例，構成篩選模型；

智能調控模塊D，根據評估參數智能調節方劑數據處理模塊B和篩選模型建立模塊C中的模型參數和權重比例；